Los clínicos deben elegir e interpretar una enorme variedad de datos clínicos estando sometidos a presión para disminuir la incertidumbre, los riesgos para los pacientes y los costes. La esencia de la práctica médica es la toma de decisiones (qué información recoger, qué pruebas solicitar, cómo interpretar e integrar esta información en hipótesis diagnósticas, qué tratamientos administrar).

Tradicionalmente, las decisiones clínicas han seguido la lógica de «si... entonces...» (p. ej., si un paciente neutropénico presenta fiebre, entonces se administran antibióticos de amplio espectro). Estas normas se han hecho más explícitas recientemente y se presentan como algoritmos, protocolos o guías clínicas. Estos protocolos son cada vez más valorados. Sin embargo, los protocolos se deben aplicar únicamente a los pacientes que se pueden encuadrar en el contexto clínico específico descrito explícitamente en el algoritmo.

A menudo, los protocolos se abrevian y no pueden representar de modo adecuado las variaciones entre pacientes con comorbilidad y demografía diferentes. Los protocolos pueden ayudar en el tratamiento de numerosos problemas clínicos, pero el clínico debe usar siempre el juicio clínico apropiado e interpretar los datos discordantes con las normas habituales. Para incorporar la incertidumbre y el valor pronóstico en el proceso de toma de decisiones clínicas y para seguir la lógica subyacente a las normas de decisión, los médicos clínicos deben comprender los principios básicos de la teoría de probabilidad. La formalización del proceso de toma de decisiones fuerza a los clínicos a confrontar las suposiciones e incertidumbres que subyacen en toda decisión. Aunque los médicos toman decisiones complejas y valoran los riesgos y beneficios de las diferentes opciones en situaciones sencillas o habituales, algunas veces la cantidad de información que deben discriminar sobrepasa su capacidad cognitiva. Los cálculos matemáticos ayudan al proceso de toma de decisiones clínicas e, incluso cuando no se dispone de cifras exactas, definen mejor las probabilidades clínicas y sus relaciones lógicas.

Los clínicos suelen generar una lista de causas subyacentes posibles para comprender mejor los síntomas o signos de un paciente. Algunas causas son más o menos probables que otras. Los médicos suelen usar con frecuencia términos vagos como «altamente probable», «improbable» y «no se puede descartar» para describir la probabilidad de que se trate de una enfermedad determinada. Existe una superposición considerable en las suposiciones clínicas sobre el significado concreto de estos términos, y los pacientes suelen malinterpretar estos términos semicuantitativos. Esta terminología imprecisa se puede aclarar utilizando cantidades explícitas denominadas probabilidades.

La probabilidad de que se desarrolle determinada enfermedad (o suceso) en un paciente cuya información clínica se desconoce, es la frecuencia con la que dicha enfermedad o suceso aparece en una población. Las probabilidades varían entre 0,0 (imposible) hasta 1,0 (cierto) y se suelen expresar como la proporción en 100 pacientes (es decir, porcentajes entre el 0 y el 100%). Cuando sólo se consideran dos estados (p. ej., enfermedad o ausencia de enfermedad), las probabilidades se pueden entender mejor en ocasiones considerando la proporción entre pacientes afectados y no afectados (es decir, la razón de probabilidad [odds] de enfermedad frente a la ausencia de enfermedad). Así, una probabilidad de 0,2 (20%) corresponde a una razón de probabilidad (odds) de 0,2/0,8 (20/80%) o 0,25 (en ocasiones se expresa como 1 de 4). Las razones de probabilidad (odds) (W) y probabilidades (p) se pueden calcular como W = p/(1 - p) o p = W/(1 ⁺ W). El ajuste de las probabilidades muy pequeñas a cero, que excluye toda probabilidad de enfermedad (algunas veces se realiza en los razonamientos clínicos implícitos), puede conducir a conclusiones erróneas cuando se realiza un razonamiento cuantitativo.

Las pruebas de laboratorio son imperfectas y pueden identificar de manera errónea algunas personas sanas como si tuvieran la enfermedad (resultado falso positivo) o pueden identificar de modo equivocado una persona enferma como si fuera sana (resultado falso negativo). Además del riesgo de indicar una enfermedad errónea, las pruebas de laboratorio consumen recursos limitados, pueden retrasar el inicio del tratamiento, pueden provocar un tratamiento innecesario o evitar otro necesario y pueden someter al paciente al riesgo de un efecto adverso por la propia prueba.

Aunque una prueba puede proporcionar información sobre enfermedades diferentes, se suele usar para establecer la presencia o ausencia de una enfermedad. De manera similar, muchas pruebas proporcionan un resultado cuantitativo (p. ej., glucemia 120 mg/dl) o varios resultados (p. ej., ECG de esfuerzo con depresión del ST <1, 1 a 2, >2mm) que se definen como positivas sólo cuando alcanzan o exceden los valores de corte establecidos. Cuando las pruebas de laboratorio se usan para establecer la presencia o ausencia de enfermedad y los resultados sólo pueden ser negativos o positivos, es posible definir la especificidad y sensibilidad de la prueba.

La sensibilidad es la probabilidad de obtener un resultado positivo en pacientes con la enfermedad. Mide la capacidad de la prueba para detectar la enfermedad. Es el complemento de la tasa de falsos negativos (es decir, la tasa de falsos negativos más la sensibilidad = 100%). La especificidad es la probabilidad de obtener un resultado negativo en pacientes sin enfermedad. Mide la capacidad de la prueba para excluir la enfermedad. Es el complemento de la tasa de falsos positivos. La probabilidad condicional es la probabilidad de que una enfermedad (o suceso) ocurra condicionado a la presencia de otro suceso, resultado de prueba o condición. Sensibilidad y especificidad son tipos especiales de probabilidades condicionales, condicionadas en este caso por la presencia o ausencia de enfermedad definida por algún diagnóstico definitivo (por lo general basado en criterios histológicos, microbiológicos o radiográficos que definen la presencia o ausencia de enfermedad).

El médico debe diferenciar entre la probabilidad de que el paciente presente la enfermedad antes de conocer los resultados de una prueba diagnóstica específica (probabilidad previa o anterior a la prueba de enfermedad) y tras obtener los resultados de la prueba (probabilidad posterior, revisada o posterior a la prueba de enfermedad). La influencia del resultado de la prueba en el criterio sobre la probabilidad de enfermedad depende de la sensibilidad y especificidad de la prueba. Cuando la referencia se basa sólo en el diagnóstico clínico, aparecen en ocasiones las características de un razonamiento circular. Si se redefine la referencia para establecer un diagnóstico correcto, pueden cambiar la sensibilidad y especificidad de la prueba, porque cambia la definición de los pacientes con enfermedad o sin ella.

Cuando se interpreta el resultado de una prueba, el médico convierte una probabilidad previa de enfermedad en la probabilidad posterior revisada adecuada. El médico debe emplear su mejor juicio clínico (con todos los datos clínicos disponibles) para asignar una valoración razonable a estas probabilidades. Para ilustrar este proceso en el contexto clínico se recurrirá como ejemplo a una mujer de 25 años que consulta por disuria. Se supone que el médico calcula que la probabilidad de que se trate de una ITU es moderadamente baja (30%) basándose en la anamnesis y la exploración clínica. Antes de recomendar un análisis de orina al microscopio y un sedimento y cultivo de orina, el clínico realiza una prueba de esterasa leucocitaria con tira reactiva, que ofrece un resultado positivo. Para determinar la probabilidad ulterior de una ITU, el clínico debe conocer la sensibilidad y especificidad de la prueba, que en este caso es del 71% y el 85%, respectivamente. La figura 295-1 considera 100.000 mujeres similares a esta paciente, de las que el 30% (30.000) tienen una ITU y el 70% (70.000) no. Los resultados de la prueba serán positivos en 21.300 (71%, la sensibilidad de la prueba) de las mujeres con ITU y en 10.500 (15%, la tasa de positivos falsos de la prueba) de las mujeres sin ITU. De las 31.800 mujeres del grupo inicial con resultado positivo de la prueba (verdadero o falso), 21.300 (67%) tendrán realmente una ITU. Así, la probabilidad posterior o revisada de ITU tras una prueba de esterasa leucocitaria positiva es del 67%, haciendo el diagnóstico más probable que improbable. Si el resultado de la prueba fuera negativo, de las 68.200 mujeres con resultados de la prueba negativo (verdaderos y falsos), 8.700 (13%) tendrían realmente una ITU. Así, la probabilidad posterior o revisada de ITU tras un resultado negativo en la prueba de la esterasa leucocitaria es del 13%, lo que hace que el diagnóstico sea improbable pero no imposible. Estos cálculos se pueden representar en una tabla simple (v. tabla 295-1).

Para demostrar cómo se usa esta tabla para revisar las probabilidades, consideramos una segunda mujer con disuria y urgencia miccional pero sin secreción vaginal ni irritación. Se acepta que la probabilidad previa de ITU es elevada, de aproximadamente el 77%. La mitad superior de la tabla 295-1 interpreta un resultado positivo en la prueba de la esterasa leucocitaria en esta mujer; la mitad inferior interpreta un resultado negativo. Aunque la sensibilidad y especificidad de esta prueba permanecen invariables (es decir, el 71% y el 85%, respectivamente), un resultado positivo en la prueba aumenta la probabilidad de ITU hasta el 94% o casi la certeza, y un resultado negativo la disminuye hasta el 54% o incluso a más probable que al contrario. El proceso de uso de la probabilidad de enfermedad previa a la prueba y las características de la prueba para calcular la probabilidad posterior a la prueba se denomina revisión bayesiana o teorema de Bayes. El teorema de Bayes se puede expresar mediante una ecuación, pero son más fáciles de usar y producen menos errores un diagrama de flujo (v. tabla 295-1) o en forma de tabla.

Cuando se deben interpretar varias pruebas, se puede aplicar el teorema de Bayes de modo secuencial, empleando la probabilidad posterior de una prueba como probabilidad previa para la siguiente. La probabilidad condicional usada para interpretar los resultados de la prueba siguiente deben estar basados en la referencia diagnóstica aceptada y en los resultados observados en la prueba precedente. Cuando no se dispone de estos datos, se asume con frecuencia que los resultados de varias pruebas son condicionalmente independientes (es decir, la probabilidad de que el resultado de una prueba determinada dependa de la referencia diagnóstica sólo, en lugar de depender de la referencia diagnóstica y los resultados de la otra prueba) y las características de comportamiento de la segunda prueba pueden estar condicionados sólo por la referencia diagnóstica aceptada.

Estos ejemplos asumen un supuesto simple para una enfermedad presente o ausente y una prueba cuyo resultado puede ser negativo o positivo. Si la probabilidad previa de enfermedad se expresa como su razón de probabilidad (odds) (W), la tasa de probabilidad de los resultados de la prueba observada se puede definir como la tasa de probabilidad de que se produzca ese resultado en pacientes con enfermedad frente a la probabilidad entre aquellos sin enfermedad. Esto es, la tasa de probabilidad para un resultado positivo es igual a la tasa de verdaderos positivos dividida por la tasa de falsos positivos. De modo similar, la tasa de probabilidad para un resultado negativo se iguala a la tasa de falsos negativos dividida por la tasa de negativos verdaderos. La formulación de la probabilidad de la razón de probabilidad del teorema de Bayes establece que la razón de probabilidad posterior de enfermedad es el producto de la razón de probabilidad previa o anterior a la prueba y la tasa de probabilidad apropiada.

Esta formulación del teorema de Bayes proporciona algunos principios intuitivos interesantes. Una tasa de probabilidad >1,0 aumenta la probabilidad de enfermedad posterior a la prueba y cuanto mayor sea la tasa de probabilidad, más información aporta un resultado positivo en la prueba. Una tasa de probabilidad <1,0 indica menor probabilidad de enfermedad posterior a la prueba y cuanto menor sea la tasa de probabilidad, mayor información aporta un resultado negativo en la prueba. Los resultados de prueba con tasas de probabilidad de 1,0 no aportan ninguna información y no afectan a la probabilidad de enfermedad posterior a la prueba. Por estas razones, las tasas de probabilidad son adecuadas para comparar pruebas.

El uso de tasas de probabilidad puede simplificar la interpretación de resultados de pruebas secuenciales. La razón de probabilidad previa o anterior a la prueba puede multiplicarse por el producto de las tasas de probabilidad que corresponden a cada resultado observado (es decir, W 3 LRprueba1 3 LRpruebA₂ 3 LRprueba3...). No es necesario convertir a probabilidades la razón de probabilidad, revisada o posterior a la prueba, entre los pasos.

Para usar el teorema de Bayes (o incluso los términos de sensibilidad y especificidad) se deben clasificar como positivos o negativos todos los resultados posibles de una prueba diagnóstica. Cuando una prueba no es de naturaleza binaria, el laboratorio (o quien evalúe el rendimiento de la prueba) establece un criterio de positividad, de manera que todos los resultados que superen este criterio se definen como positivos y viceversa. Las distribuciones de resultados superpuestos se separan por un criterio concreto o por una línea de corte (v. fig. 295-2). La región bajo la distribución de resultados para los pacientes con enfermedad que queda por encima (a la derecha) del criterio corresponde a la tasa de positivos verdaderos (es decir, la sensibilidad); la región que queda por debajo (a la izquierda) del criterio corresponde a la tasa de falsos negativos. Para la distribución de resultados depacientes sin enfermedad, estas dos regiones corresponden a la tasa de falsos positivos y la de negativos verdaderos (es decir, la especificidad), respectivamente. Para dos distribuciones superpuestas (p. ej., con enfermedad y sin ella), el desplazamiento del criterio o de la línea de corte afecta a la sensibilidad y la especificidad, pero en direcciones opuestas. La sensibilidad y la especificidad no se pueden mejorar desplazando la línea de corte, sino cambiando las distribuciones de modo que se produzca menor superposición (es decir, mejorando la discriminación de la propia prueba).

La elección de un umbral para la positividad de la prueba depende de cómo se vaya a usar la prueba. La clasificación de un resultado cuantitativo o graduado como resultado positivo o negativo desprecia cierta información sobre el grado de positividad o negatividad del resultado observado. Por ejemplo, los niveles entre 10 ng/ml y 30 ng/ml del isómero MB de la creatincinasa se consideran positivos si el corte se establece en 8 ng/ml. Sin embargo, el nivel de 30 ng/ml tiene una tasa de probabilidad más elevada y por tanto aporta mayor información.

El diagrama de flujo o la forma tabulada del teorema de Bayes pueden acomodar con facilidad más de dos posibilidades diagnósticas. Para el diagrama de flujo, la primera hilera de diagnósticos mutuamente excluyentes se puede expandir en tres o más ramas. La siguiente hilera puede expandirse para incluir todos los resultados posibles y el número de pacientes en cada categoría diagnóstica con cada resultado posible de la prueba. En la forma tabulada, se añade una fila por cada diagnóstico adicional mutuamente excluyente considerado, y se añade una sección por cada resultado de la prueba posible.

Por ejemplo, los niveles de troponina I cardíaca ayudan a evaluar a un hombre de 59 años con antecedentes de diabetes e hipertensión que acude a urgencias por dolor torácico súbito que comenzó 5 h antes. El ECG no muestra elevaciones del ST ni ondas Q, aunque la onda T está invertida en la cara anterior. Las posibilidades diagnósticas son un infarto sin onda Q, angina inestable y patología extracardíaca. El nivel de troponina I cardíaca ayuda a diferenciar entre estos diagnósticos. Los niveles muy elevados de troponina I cardíaca se producen con más frecuencia en pacientes con IAM; los niveles intermedios en pacientes con angina inestable, y los niveles muy bajos en pacientes sin enfermedad cardíaca. El análisis matemático ayuda a cuantificar la probabilidad. Se asume que las probabilidades condicionales son las reflejadas en la tabla 295-2. La suma de probabilidades condicionales es del 100% para cada diagnóstico (fila) porque se recogen todos los resultados posibles.

Tras la evaluación clínica (anamnesis, exploración física, ECG) se acepta que la probabilidad de infarto de miocardio sin onda Q es del 25%, del 70% para angina inestable y del 5% para enfermedad no cardíaca. Consideremos después tres niveles de troponina I cardíaca: <0,4 ng/ml en un caso, 1,0 ng/ml en el segundo caso y 3,0 ng/ml en el tercer caso. La tabla 295-3 muestra cómo se usa el teorema de Bayes para interpretar estos resultados. Un nivel bajo de troponina I cardíaca reduce la probabilidad de infarto sin onda Q, aumenta ligeramente la probabilidad de angina inestable y aumenta de forma sustancial la probabilidad de que se trate de una patología no cardíaca. Un nivel intermedio de troponina I cardíaca reduce de forma moderada la probabilidad de IAM y aumenta la probabilidad de angina inestable, mientras que la probabilidad de enfermedad no cardíaca se reduce mucho. Un nivel elevado de troponina I cardíaca aumenta la probabilidad de IAM y excluye casi por completo las enfermedades no cardíacas.

Una vez interpretada la información diagnóstica disponible sobre un paciente, el médico debe tomar una decisión (en colaboración con el enfermo) sobre un plan diagnóstico o terapéutico. Aunque estas elecciones se suelen hacer de manera implícita e informal, el análisis de decisión que emplea los siguientes pasos suele mejorar el proceso y quizá el resultado:

1. El problema se formula de modo explícito como una pregunta, especificando una elección entre un número de opciones mutuamente excluyentes: ¿Tratar? ¿No tratar? ¿Realizar la prueba?

2. Se estructura el problema, a menudo como un árbol de decisión o en ocasiones como el denominado diagrama de influencia, con una designación clara de las elecciones (nodos de decisión, representados por lo general en forma de cuadros), opciones (nodos de opciones, por lo general en forma de círculos, indicando la probabilidad de cada opción o posibilidad como una rama de probabilidad: la suma de estas probabilidades para cada nodo de opción debe ser 1,0 porque las ramas son exhaustivas y mutuamente excluyentes) y resultados (nodos terminales, que se suelen representar por rectángulos, conteniendo un valor o utilidad asociada con ese resultado).

3. Se especifica la rama de probabilidades para cada nodo de opciones, teniendo cuidado de observar todas las relaciones apropiadas entre esas probabilidades (es decir, revisión de las probabilidades diagnósticas tras la observación del resultado de una prueba).

4. Se asigna una utilidad a cada resultado en una escala o escalas permanentes (consistentes) (v.más adelante los comentarios sobre la utilidad).

5. El modelo de decisión se evalúa siguiendo dos reglas básicas: en cada nodo de opciones se asigna un valor que representa la media ponderada de los valores de los resultados posibles, usando como ponderación las ramas de probabilidades. En cada nodo de decisiones se asigna una utilidad igual a la utilidad prevista para la mejor opción. Debido a que las decisiones se deben conducir en función de las consecuencias posibles (resultados) de la selección, la evaluación comienza en los nodos terminales del árbol y avanza hacia el nodo de decisión. Este proceso de evaluación permite calcular el promedio o valor esperado para cada estrategia considerada. La estrategia que alcanza el valor esperado más alto es la estrategia elegida.

6. Se examina cada variable del árbol de decisión (es decir, probabilidades y utilidades) para determinar cómo los cambios en las premisas afectan al valor esperado de cada estrategia y a la selección de una estrategia óptima. Esta exploración del problema de decisión (denominada análisis de sensibilidad), una de las técnicas más potentes del análisis de decisión formal, aumenta de forma considerable la comprensión del problema de la toma de decisión y la estabilidad de cualquier solución propuesta.

Las variables subyacentes al problema objeto de decisión se pueden examinar de modo individual (análisis de sensibilidad en un sentido), en parejas (análisis de sensibilidad en dos sentidos), en tríos (análisis de sensibilidad en tres sentidos) o en grupos. Un análisis de sensibilidad en un sentido (en el que se cambia una variable) puede proporcionar un valor umbral, de manera que una acción se considera apropiada si el valor asumido de la variable (en un paciente o situación) es mayor que el valor umbral y otra acción es apropiada si el valor asumido de la variable está por debajo del valor umbral.

Se evalúan los resultados para determinar qué conclusiones obtenidas del análisis recomiendan reestructurar el problema. Por eso, el análisis de decisión es iterativo. Todos los modelos son imperfectos debido a errores absolutos, simplificación excesiva u omisión de características importantes del problema. El objetivo del análisis de decisión es conseguir un modelo que responda a la cuestión o permita una mayor comprensión del problema.

En el análisis de decisiones, los valores relativos de los resultados con distintas estrategias terapéuticas se expresan como utilidades, representadas en una escala constante para cada resultado de cada estrategia. Las utilidades se pueden medir empleando una escala arbitraria (p.ej., de 0 a 100), pero se puede conseguir una mejor comprensión empleando escalas como la esperanza de vida (o media de supervivencia) y la esperanza de vida ajustada a la calidad, que desprecia la supervivencia media en el tiempo según la morbilidad a corto y largo plazo. Por ejemplo, si la calidad de vida de un paciente es del 80% de su estado de salud, el vivir durante un año con enfermedad supondría un 0,8 de los años ajustados a la calidad. Otras utilidades podrían considerar la morbilidad, el dolor y el sufrimiento, el estado funcional y, quizá, el coste económico.

Después de la evaluación, el médico debe decidir si iniciar o suspender el tratamiento o reunir más información que ayude a establecer el diagnóstico (p.ej., realizando más pruebas diagnósticas). Sin embargo, en algunas situaciones no se puede obtener más información y se debe tomar una decisión terapéutica (v. fig. 295-3).

El valor esperado para cada estrategia (p.ej., tratamiento o no tratamiento) es una función lineal de la probabilidad de enfermedad. El umbral de tratamiento (UT, la probabilidad de enfermedad por encima de la cual se debe tratar al paciente) se puede expresar en términos de relación beneficio/riesgo (B/R) de tratamiento: UT = 1/ (B/R ⁺ 1). Si los beneficios de tratamiento son muy superiores a los riesgos (p.ej., la administración de antibióticos a un paciente diabético con celulitis), la relación de riesgo/beneficio es muy alta y el umbral de tratamiento muy bajo, quizá £0,2 (es decir, el tratamiento puede ser apropiado incluso cuando las probabilidades de enfermedad anteriores a la prueba sean bajas). No obstante, si los beneficios del tratamiento son muy reducidos en comparación con los riesgos (p.ej., quimioterapia para el cáncer de páncreas), la relación beneficio/riesgo es baja y el umbral de tratamiento es alto (es decir, es preferible hacer el tratamiento sólo si la probabilidad de enfermedad es muy alta). Por último, cuando el beneficio del tratamiento (en pacientes con enfermedad) iguala el riesgo (en pacientes sin enfermedad), la relación riesgo/beneficio es 1,0 y el umbral de tratamiento es 0,5. En otras palabras, sólo los pacientes con más probabilidades de presentar la enfermedad (es decir, probabilidad >50%) deben recibir el tratamiento. El umbral terapéutico divide el dominio de probabilidad en dos regiones estratégicas.

Por ejemplo, en un paciente con coronariopatía y signos de IAM previo en el ECG que presenta síntomas de un nuevo IAM, ¿cuál es el valor de probabilidad clínica de IAM para instaurar el tratamiento trombolítico, asumiendo que la decisión se basa en la mortalidad a corto plazo? En el caso de un IAM anterior, en el que la mortalidad sin tratamiento trombolítico es del 12%, pero sólo del 9% si el tratamiento trombolítico se inicia en las 4 h siguientes al comienzo de los síntomas (es decir, B es 3% [12% - 9%]). Suponemos que la frecuencia de hemorragia intracraneal tras el tratamiento trombolítico es del 1% (R) y que todos los pacientes que presentan una hemorragia intracraneal fallecen. Por tanto, la relación riesgo/beneficio es de 3/1 y el umbral de tratamiento es 1/(3⁺1), o lo que es lo mismo, se debe realizar tratamiento trombolítico cuando la probabilidad de un IAM sea >25%.

Para una prueba sin efectos adversos que sólo puede ser negativa o positiva, los umbrales son:

[(1 - especificidad) x R]/{[(1 - especificidad)
x R] ⁺ [sensibilidad x B]}

y el umbral de tratamiento para la prueba es:

(especificidad x R)/{(especificidad x R) ⁺
[(1 - sensibilidad) x B]}

Por ejemplo, ¿se debe realizar un ecocardiograma rápido antes de iniciar el tratamiento trombolítico en un paciente con un IAM previo pero sin ecocardiograma previo para comparación? Se acepta que la sensibilidad y la especificidad del ecocardiograma para diagnosticar un nuevo IAM son del 60 y 70%, respectivamente, y que el beneficio y riesgo del tratamiento trombolítico es del 3 y 1%, respectivamente. En este caso, el umbral de la prueba es (30 3 1%)/[(30 3 1%) ⁺ (60 3 3%)], o del 14%, y el umbral de tratamiento para la prueba es (70 3 1%)/ [(70 3 1%) ⁺ (40 x 3%)], o del 37% (comparado con el umbral de tratamiento calculado del 25% -1/[B/R ⁺ 1]- si no se tiene en cuenta la prueba). Un ecocardiograma urgente sería útil sólo si la probabilidad de IAM estuviera entre el 14 y el 37%.

En casos en los que la propia prueba de laboratorio comporte un riesgo, el numerador de la ecuación para la prueba aumenta por el riesgo de la prueba, y el numerador de la ecuación para el umbral de tratamiento disminuye por el riesgo de la prueba. Ambos se miden en la misma escala de utilidades para expresar el beneficio y el riesgo del tratamiento. Así, el efecto de la disminución de la sensibilidad y la especificidad de una prueba o el aumento del riesgo es el estrechamiento del rango de probabilidades de enfermedad en el que la prueba puede ser la mejor estrategia. La mejora de la capacidad de la prueba para discriminar o reducir su riesgo ampliará el rango de probabilidades para las que la prueba es la mejor estrategia.

Debido a que los recursos personales y sociales son limitados y a las restricciones de los seguros sanitarios, las consideraciones sobre el coste económico han adquirido relevancia en el proceso de adopción de decisiones clínicas. No se deben malgastar los recursos limitados. Por ejemplo, cuando se utiliza una prueba de diagnóstico prospectivo (test de detección selectiva) para identificar los pacientes con una enfermedad de escasa prevalencia (p.ej., cáncer de ovario), los costes (y quizá los riesgos) de perseguir los resultados positivos que se pueden convertir en positivos falsos pueden exceder los costes de la evaluación y tratamiento de los pacientes que ya padecen la enfermedad. Desde el punto de vista social también se deben tener en cuenta los costes como la pérdida de horas de trabajo (de pacientes y familiares) y los gastos inevitables (desplazamientos, alojamientos, comidas). Por último, también pueden ser cuantiosos los costes derivados del tratamiento de otras enfermedades (yatrogéneas o espontáneas) que pueden aparecer en los pacientes que se recuperan de la enfermedad tras el tratamiento. Por ejemplo, un hombre joven curado de un linfoma puede presentar leucemia o coronariopatía años después.

Por lo general se realizan tres tipos de análisis económicos. La identificación de costes representa típicamente un intento de comprender los costes de una o más estrategias de tratamiento. Los elementos incluidos en el análisis están determinados habitualmente por la perspectiva del análisis. Diferentes perspectivas pueden producir conclusiones distintas dependiendo de los costes que se tengan en cuenta (p.ej., hospitalización, cuidados subagudos y atención a domicilio, seguros, efecto en la sociedad). El objetivo de la identificación de costes puede ser en ocasiones minimizar el coste del tratamiento desde una perspectiva determinada.

El análisis coste-beneficio examina los costes y los beneficios del tratamiento para la salud en una escala económica, que se suele trasladar a beneficios de salud en equivalentes de dinero percibido. Estos análisis suelen determinar si una estrategia concreta ahorra gastos o requiere aumentar los recursos. En este último supuesto, estos análisis no indican si el aumento del gasto es rentable. La magnitud de la ganancia o pérdida suele depender del número de personas previstas y de cuánto tiempo llevan incluidas en el análisis yde las premisas acerca del valor económico de la mejora de la salud.

Los análisis de coste-eficacia evalúan los costes sanitarios y los resultados de salud por separado. Ambos se pueden ver afectados de manera sustancial por la perspectiva y duración del análisis y por las premisas subyacentes incluidas en el análisis. La comparación de los costes y resultados de salud de dos estrategias terapéuticas producen uno de los nueve emparejamientos (v. tabla 295-4). Cuando los resultados sobre la salud son equivalentes (columna central), la elección se debe basar en el coste; cuando los costes son equivalentes (fila central), la elección se debe basar en el resultado. Cuando una estrategia produce mejores resultados con menor coste (arriba derecha y abajo izquierda), la elección está clara. La decisión sólo es difícil cuando la estrategia más cara es la que produce también mejores resultados (arriba izquierda y abajo derecha).

Un número considerable de decisiones clínicas se pueden englobar en esta última situación: el uso de más recursos suele conseguir resultados mejores. Si los recursos fueran ilimitados, la elección sería simple, pero los recursos limitados obligan a calcular la relación coste-eficacia marginal (es decir, el coste de una estrategia dividido por el resultado sobre la salud que consigue, v. tabla 295-5). La relación marginal es más útil cuando se debe hacer una elección entre varias estrategias terapéuticas diferentes.

La medición de la evaluación es una relación (de dinero adicional y salud adicional) en la que cuanto menor sea la proporción, mayor será la mejoría de la salud, para un gasto en recursos determinado. Una proporción aumenta más rápidamente cuando su denominador se acerca a cero (es decir, cuando dos estrategias consiguen resultados sanitarios iguales). La medida más habitual de la efectividad para el análisis de tendencias es el año de vida ajustado a la calidad, haciendo las unidades de la relación coste-eficacia marginal correspondiente «dinero adicional gastado por año ganado de vida ajustado a la calidad». Se puede calcular una relación de coste-efectividad marginal (v. tabla 295-5) ordenando las estrategias mediante aumento del coste (columna B), asociando cada uno con la eficacia (columna C), calculando el coste marginal (columna D) y la eficacia marginal (columna E) y, por último, calculando la relación marginal (columna F).

Por ejemplo, si se considera la primera estrategia, tratamiento conservador frente a trombólisis con activador tisular del plasminógeno (PAt) en pacientes con IAM anterior. La trombólisis aumenta la esperanza de vida, pero con un coste adicional de 6.000 dólares basado en el coste del fármaco, la monitorización necesaria y el aumento de la probabilidad de necesidad de cateterización y revascularización entre los pacientes que reciben tratamiento trombolítico. La segunda estrategia, el PAt, aumenta la supervivencia con un coste de 4.500 dólares por año ganado de vida ajustada a la calidad. La tercera estrategia considera la trombólisis con estreptocinasa, que es menos eficaz y más barata que el PAt. El efecto de la adición de una tercera estrategia es significativo: la relación marginal coste-efectividad de la estreptocinasa es inferior (2.000 dólares por año ganado de vida ajustado a la calidad), pero la existencia de una estrategia más barata con eficacia parcial aumenta la relación marginal coste-eficacia del PAt desde 4.500 dólares a 40.000 dólares por año ganado de vida ajustado a la calidad.